一种舰船轴频电场信号降噪方法及相关装置制造方法及图纸

一种舰船轴频电场信号降噪方法及相关装置，包括：获取干净轴频电场信号；通过获得的干净轴频电场信号得到不同信噪比的带噪轴频电场信号；搭建基于双向循环神经网络BRNN的轴频电场信号降噪网络模型；将数据集中的训练样本输入轴频电场信号降噪网络模型；优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；重复训练得到训练好的的BRNN降噪网络模型，将带噪声轴频电场信号输入到训练好的BRNN降噪网络模型中进行降噪。该方法可有效解决低信噪比海况下舰船轴频电场信号被淹没的问题，提高信噪比的同时保留了频域特征，有助于为后续的信号检测。于为后续的信号检测。于为后续的信号检测。

【技术实现步骤摘要】
一种舰船轴频电场信号降噪方法及相关装置


[0001]本专利技术属于舰船水下电场信号处理领域，特别涉及一种舰船轴频电场信号降噪方法及相关装置。

技术介绍

[0002]舰船轴频电场信号通过特性明显且具备特征频段，可用于目标检测。然而，复杂的海况对舰船轴频电场的检测构成了挑战，从复杂的海洋环境噪声中检测微弱的舰船轴频电场信号一直是舰船水下电场探测的难题。只有尽可能减少实测信号中的噪声成分，才能最大限度还原轴频电场信号。当前轴频电场信号降噪方法主要是基于信号处理的传统方法，包括傅里叶变换、小波变换、经验模态分解和稀疏分解等，这些方法的核心是信号滤波，通过分解找到表征噪声的分量，进而将其滤除。然而这类方法降噪效果有限，难以实现对低信噪比信号的检测，且参数选取多依凭先验知识和人工经验。因此开展对低信噪比下的轴频电场信号降噪方法的研究具有重要意义。

技术实现思路

[0003]本专利技术的目的是为了解决低信噪比海况下轴频电场信号被淹没，难以对其检测的问题而提供的一种舰船轴频电场信号降噪方法及相关装置。
[0004]为实现上述目的，本专利技术采用以下技术方案：
[0005]第一方面，本专利技术提供一种舰船轴频电场信号降噪方法，包括：
[0006]采集舰船轴频电场信号，预处理后得到干净轴频电场信号；
[0007]将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，得到不同信噪比的带噪轴频电场信号；
[0008]搭建基于双向循环神经网络BRNN的轴频电场信号降噪网络模型；
[0009]将不同信噪比的带噪轴频电场信号作为后续模型训练和测试的数据集，将数据集中的训练样本输入轴频电场信号降噪网络模型；
[0010]优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；
[0011]重复训练得到训练好的的BRNN降噪网络模型，将带噪声轴频电场信号输入到训练好的BRNN降噪网络模型中进行降噪。
[0012]可选的，舰船轴频电场信号为不同距离和特征频率的实测轴频电场信号。
[0013]可选的，将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加为：任意选取一时间点开始步进式地插入至长时噪声数据，得到不同信噪比的带噪轴频电场信号，作为后续模型训练和测试的数据集。
[0014]可选的，基于双向循环神经网络BRNN的轴频电场信号降噪网络模型中，BRNN降噪网络结构由RNN层和FC全连接层两部分组成；
[0015]RNN层中的每个神经元之间的传播均使用tanh激活函数去线性化，输出层使用
sigma激活函数去线性化；该层主要包括前向传播和后向传播两大部分，其计算过程如下：
[0016]h
t
＝tanh(Ux
t
+Wh
t
‑1+b)
[0017]h
′
t
＝tanh(U
′
x
t
+W
′
h
t+1
+b
′
)
[0018]式中：x
t
为第t时刻的输入；h
t
为第t时刻的前向传播值，h
′
t
为第t时刻的后向传播值；U、U
′
为输入层x
t
至隐藏层h
t
的状态
‑
状态权重；W、W
′
为前一时刻的隐藏层h
t
‑1至当前时刻隐藏层h
t
的状态
‑
输入权重；b、b
′
为偏差向量；
[0019]前向传播值h
t
和后向传播值h
′
t
共同决定RNN层获得输出值o
t
，激活函数为sigma，其计算公式如下：
[0020]o
t
＝sigma(Vh
t
+V
′
h
′
t
+c)
[0021]式中：V、V
′
为隐藏层h
t
至输出层o
t
的权重系数；c为偏差向量；
[0022]FC全连接层的神经单元个数和输出维度与RNN层的输出维度层维度相同。
[0023]可选的，将数据集中的训练样本输入到构建好的BRNN降噪网络模型中的输入层时，将原始信号一维结构转化为二维结构，并分别将纯噪声信号作为标签。
[0024]可选的，均方差损失函数的定义如下:
[0025][0026]式中：n为信号长度。
[0027]可选的，采用Adam优化将训练样本进行前向传播，获得当前时刻的噪声预测值；直到满足预设精度或者达到预设训练步数时停止训练，得到训练好的BRNN降噪网络模型。
[0028]第二方面，本专利技术提供一种舰船轴频电场信号降噪系统，包括：
[0029]数据采集模块，用于采集舰船轴频电场信号，预处理后得到干净轴频电场信号；将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，得到不同信噪比的带噪轴频电场信号；
[0030]模型搭建模块，用于搭建基于双向循环神经网络BRNN的轴频电场信号降噪网络模型；
[0031]训练模块，用于将不同信噪比的带噪轴频电场信号作为后续模型训练和测试的数据集，将数据集中的训练样本输入轴频电场信号降噪网络模型；优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；
[0032]降噪输出模块，用于重复训练得到训练好的的BRNN降噪网络模型，将带噪声轴频电场信号输入到训练好的BRNN降噪网络模型中进行降噪。
[0033]第三方面，本专利技术提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种舰船轴频电场信号降噪方法的步骤。
[0034]第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现一种舰船轴频电场信号降噪方法的步骤。
[0035]与现有技术相比，本专利技术有以下技术效果：
[0036]本专利技术所述一种基于双向循环神经网络的舰船轴频电场信号降噪方法，优势如
下：海洋环境电场噪声为加性噪声，其长期统计特性近似呈高斯分布规律，而不同类型舰船在不同检测距离下轴频电场特性(基频、谐频)不同。因此通过BRNN神经网络学习具有一定规律的海洋环境电场噪声特征，由于BRNN网络同时考虑当前时刻过去和未来的信息，因此可以更全面地学习噪声统计特征，进而从带噪轴频电场信号中消去，获得干净的轴频电场信号。该方法降低了对先验知识和人工经验的依赖，可以大幅提升信号的信噪比，且保留轴频电场信号的频域特征，在低信噪比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种舰船轴频电场信号降噪方法，其特征在于，包括：采集舰船轴频电场信号，预处理后得到干净轴频电场信号；将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，得到不同信噪比的带噪轴频电场信号；搭建基于双向循环神经网络BRNN的轴频电场信号降噪网络模型；将不同信噪比的带噪轴频电场信号作为后续模型训练和测试的数据集，将数据集中的训练样本输入轴频电场信号降噪网络模型；优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；重复训练得到训练好的的BRNN降噪网络模型，将带噪声轴频电场信号输入到训练好的BRNN降噪网络模型中进行降噪。2.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，舰船轴频电场信号为不同距离和特征频率的实测轴频电场信号。3.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加为：任意选取一时间点开始步进式地插入至长时噪声数据，得到不同信噪比的带噪轴频电场信号，作为后续模型训练和测试的数据集。4.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，基于双向循环神经网络BRNN的轴频电场信号降噪网络模型中，BRNN降噪网络结构由RNN层和FC全连接层两部分组成；RNN层中的每个神经元之间的传播均使用tanh激活函数去线性化，输出层使用sigma激活函数去线性化；该层主要包括前向传播和后向传播两大部分，其计算过程如下：h
t
＝tanh(Ux
t
+Wh
t
‑1+b)h
′
t
＝tanh(U
′
x
t
+W
′
h
t+1
+b
′
)式中：x
t
为第t时刻的输入；h
t
为第t时刻的前向传播值，h
′
t
为第t时刻的后向传播值；U、U
′
为输入层x
t
至隐藏层h
t
的状态
‑
状态权重；W、W
′
为前一时刻的隐藏层h
t
‑1至当前时刻隐藏层h
t
的状态
‑
输入权重；b、b
...

【专利技术属性】
技术研发人员：胡桥，卢建术，苏文斌，范仁慧，韩斌雅，赵玉梁，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：